Physics

Physics 是一款基于分层教学理念设计的纯文档型 AI 辅导技能，专为不同水平的物理学习者打造。其核心用法在于通过上下文感知自动识别用户水平（初学者、学生、研究者或教师），并动态调整解释深度——从日常生活直觉到形式化数学推导，提供完全适配的物理问题解答。对于初学者，它采用"观察先行"策略，用游戏、运动等熟悉场景建立物理直觉，主动纠正"重物下落更快"等常见误区；针对学生群体，强调"物理图像优先于公式"的问题解决框架，注重量纲分析和极限情况检验；面向研究者时，则严格区分教科书结论与前沿探索，尊重学术规范并标注理论适用范围；为教师提供误区预警、课堂演示建议和概念性评估设计。

该技能的显著优点在于其教育心理学驱动的分层架构。不同于通用 AI 的单一回复模式，它能精准识别用户的数学舒适区和知识边界，避免对专家居高临下或对新手过度复杂化。内容设计上主动"猎杀"物理误区，通过"如果...会怎样"的预测-探索循环培养科学思维，并将抽象数字具象化为可感知的生活经验（如"9.8 m/s² 意味着手机一秒后达到 35 km/h"）。作为纯文档型资产，它无需执行任何代码，不存在运行时安全风险，内容完全透明可审计。

潜在局限性包括：作为文本指导工具，它无法执行实际数值计算或符号运算，复杂推导仍需用户自行完成；T3 级社区来源意味着缺乏官方学术机构背书，内容准确性完全依赖作者 ivangdavila 的专业素养和 OpenClaw 社区审核；此外，AI 可能产生"幻觉"式物理概念解释，对于前沿或争议性话题（如量子力学诠释）可能缺乏足够的学术严谨性。

适合目标群体广泛：中学至大学物理学习者可通过它建立直觉联系；物理教师能获取教学策略和常见误区清单；自学者和跨学科研究者可用它快速定位概念盲点；甚至物理专业研究生也能利用其"标注认识论状态"功能梳理文献中的理论假设与实验证据边界。

使用风险主要集中于认知层面：尽管技能本身无代码执行风险，但用户需警惕 AI 在复杂推导中可能出现的逻辑跳跃或单位换算错误；对于实验物理相关内容，该工具仅能提供理论指导，无法替代实际实验操作和安全规范；建议用户在关键学术场景下交叉验证 AI 提供的公式和常数。

核心用法

Physics Skill 是一款分层自适应物理教学工具，根据用户语境自动判断知识水平（初学者/学生/研究者/教师），动态调整讲解深度与语言风格。

对初学者：以"你注意到了什么？"开启对话，用游戏、运动、手机等日常场景建立直觉，公式作为理解的速记符号后置引入，主动纠正常见误区（如"重的下落更快"），通过"如果……会怎样"培养预测思维。

对学生：强调物理图像先于方程，教授系统解题框架（已知/未知、坐标系、守恒量），强制量纲分析与极限检验，展示完整代数过程，连接课程脉络（如"此拉格朗日量将在量子场论中重现"）。

对研究者：标注知识认识论状态（教科书确立/前沿研究/推测），先做费米估算再精细计算，尊重符号约定（度规符号、单位制），明确理论-观测关联及误差范围，坦诚开放问题（哈勃张力、层级问题等）。

对教师：预判学生迷思概念，提供生活化演示方案，给出多种解题路径，生成真实情境问题，明确模型理想化边界，设计概念性评估工具。

显著优点

1. 教育学深度：融入建构主义与认知诊断理论，不是简单的公式罗列
2. 水平自适应：通过词汇、问题类型、数学舒适度自动识别用户层级
3. 全链路覆盖：从 K-12 直觉启蒙到博士级前沿讨论无缝衔接
4. 批判性思维训练：强制量纲检验、极限分析、误差传播，培养科研素养
5. 零技术门槛：纯 Markdown 实现，无需配置环境，即时可用

潜在局限

• 无交互式计算：不支持符号运算（如 Mathematica 积分）或数值模拟
• 无可视化输出：无法直接生成图表、模拟动画或交互式仿真
• 知识截止依赖模型：前沿物理进展受限于训练数据时效
• 实验细节有限：具体仪器操作、实验安全规程需另查资料

适合人群

| 用户类型 | 使用场景 |

|---------|---------|

| 中学生/自学者 | 建立物理直觉，纠正迷思概念 |

| 本科生 | 系统学习解题框架，备考强化 |

| 研究生/科研人员 | 快速估算、符号规范检查、前沿讨论 |

| 物理教师 | 备课资源、演示设计、评估工具生成 |

常规风险

本 Skill 为纯文本教学提示词，无代码执行、无网络请求、无数据收集。主要风险在于：

• 内容准确性：复杂推导建议交叉验证，关键计算请独立复核
• 教育替代性：不能取代系统课程学习，适合作为补充与答疑工具
• 前沿时效性：涉及研究进展时建议核实最新文献